【SparkSQL】SparkSQL的基本介绍

目录

介绍

特点

SQL优缺点

Hive和SparkSQL

DataFrame

DataSet

RDD&DataFrame&DataSet的区别

---

• 介绍

Spark SQL是Spark用来处理结构化数据的一个模块。

Spark SQL还提供了多种使用方式，包括DataFrames API和Datasets API。但无论是哪种API或者是编程语言，它们都是基于同样的执行引擎，因此你可以在不同的API之间随意切换，它们各有各的特点。

 

官网：http://spark.apache.org/sql/

 

• 特点

易整合

可以使用java、scala、python、R等语言的API操作。

 

统一的数据访问

连接到任何数据源的方式相同。

 

兼容Hive

支持hiveHQL的语法。

兼容hive(元数据库、SQL语法、UDF、序列化、反序列化机制)

 

标准的数据连接

可以使用行业标准的JDBC或ODBC连接

 

• SQL优缺点

SQL的优点

表达非常清晰，难度低，易学习。

 

SQL的缺点

复杂分析 SQL嵌套较多：试想一下3层嵌套的 SQL维护起来应该挺力不从心的吧

机器学习较难：试想一下如果使用SQL来实现机器学习算法也挺为难的吧

 

• Hive和SparkSQL

Hive是将SQL转为MapReduce

SparkSQL可以理解成是将SQL解析成'RDD'优化再执行

 

• DataFrame

DataFrame是一种以RDD为基础的带有Schema元信息的分布式数据集，类似于传统数据库的二维表格

 

• DataSet

1.DataSet是保存了更多的描述信息，类型信息的分布式数据集。

2.与RDD相比，保存了更多的描述信息，概念上等同于关系型数据库中的二维表。

3.与DataFrame相比，保存了类型信息，是强类型的，提供了编译时类型检查，调用Dataset的方法先会生成逻辑计划，然后被spark的优化器进行优化，最终生成物理计划，然后提交到集群中运行！

DataSet包含了DataFrame的功能，Spark2.0中两者统一，DataFrame表示为DataSet[Row]，即DataSet的子集。DataFrame其实就是Dateset[Row]

 

• RDD&DataFrame&DataSet的区别

RDD[Person]：以Person为类型参数，但不了解 其内部结构。

DataFrame：提供了详细的结构信息schema列的名称和类型。这样看起来就像一张表了

DataSet[Person]：不光有schema信息，还有类型信息